基于深度特征核相关滤波器的尺度自适应目标跟踪方法技术

本发明专利技术公开了一种基于深度特征核相关滤波器的尺度自适应目标跟踪方法。该方法包括以下步骤：将图像输入到预训练完成的卷积神经网络，提取深度卷积特征；目标追踪，利用训练的模型，估计目标的位置和尺度；根据当前检测的目标位置和尺度，训练核相关滤波器；采用自适应的高置信度的模型更新方法，更新核相关滤波器。本发明专利技术提取了深度卷积特征，采用自适应尺度估计方法以及自适应的高置信度的模型更新策略，提高了目标在复杂场景和外观变化中的目标跟踪的鲁棒性，能够高效准确地处理目标尺度变化，另外，由于采用自适应的高置信度的模型更新策略，尽可能地减少了模型跟踪漂移。

Scale adaptive target tracking method based on depth feature kernel correlation filter

The invention discloses a scale adaptive target tracking method based on a depth feature kernel correlation filter. The method comprises the following steps: convolutional neural network image input to the pre training completed, the extraction of depth convolution characteristics; target tracking, using the training model, to estimate the location and scale of the target; according to the detection of target location and scale, training of nuclear related filter; adaptive high confidence model update method, update nuclear related filter. The method of extracting depth convolution characteristics, using adaptive scale estimation method and adaptive high confidence model update strategy, improves the robustness of the target in the complex scene and appearance changes in target tracking, which can efficiently and accurately handle the scale change of target, in addition, due to the high confidence adaptive model update strategy and as far as possible to reduce the tracking drift model.

【技术实现步骤摘要】
基于深度特征核相关滤波器的尺度自适应目标跟踪方法
本专利技术涉及计算机视觉
，特别是一种基于深度特征核相关滤波器的尺度自适应目标跟踪方法。
技术介绍
近年来，随着大规模标注数据集的出现，以及计算机计算能力的提升，深度学习方法尤其是卷积神经网络成功应用于图像分类、目标检测、目标识别以及语义分割等计算机视觉领域，这主要归功于卷积神经网络强大的目标表示能力。与传统的图像特征不同，深度卷积特征从大量的数千个类别的图像数据学习得到，所以高层的卷积特征表示目标的语义特征，适用于图像分类问题。由于高层的卷积特征分辨率很低，所以并不适合确定目标的位置，而且由于训练数据的缺失，在跟踪开始的前几帧训练一个深度模型困难重重。最近，基于相关滤波器的判别式跟踪方法由于跟踪效果高效而准确，引起很多研究者的兴趣。基于相关滤波器的跟踪方法通过将输入特征回归为目标高斯分布在线训练一个相关滤波器，并在后续的跟踪过程中寻找相关滤波器输出相应图谱的峰值确定目标的位置。相关滤波器在运算中巧妙应用快速傅里叶变换，降低了计算复杂度，使得跟踪速度大幅度提升。但是，核相关滤波器算法使用传统的梯度方向直方图特征，当目标外观表示发本文档来自技高网...

【技术保护点】
一种基于深度特征核相关滤波器的尺度自适应目标跟踪方法，其特征在于，包括以下几个步骤：步骤1，输入目标的初始位置p0和尺度s0，设置窗口大小为目标初始包围盒的2.0倍；步骤2，根据第t‑1帧的目标位置pt‑1，获得目标区域xt‑1，尺寸为窗口大小；步骤3，提取目标区域xt‑1的深度卷积特征，并进行快速傅立叶变换，得到特征图谱

【技术特征摘要】
1.一种基于深度特征核相关滤波器的尺度自适应目标跟踪方法，其特征在于，包括以下几个步骤：步骤1，输入目标的初始位置p0和尺度s0，设置窗口大小为目标初始包围盒的2.0倍；步骤2，根据第t-1帧的目标位置pt-1，获得目标区域xt-1，尺寸为窗口大小；步骤3，提取目标区域xt-1的深度卷积特征，并进行快速傅立叶变换，得到特征图谱其中^表示离散傅立叶变换；步骤4，根据特征图谱计算核自相关步骤5，训练位置和尺度相关滤波器；步骤6，根据第t-1帧目标的位置pt-1，获得目标在第t帧的候选区域zt，尺寸为窗口大小；步骤7，提取候选区域zt的深度卷积特征，并进行快速傅立叶变换，得到特征图谱其中^表示离散傅立叶变换；步骤8，根据目标前一帧的特征图谱计算核互相关步骤9，分别检测位置滤波器和尺度滤波器的输出图谱中最大值对应的位置，来确定目标在当前帧的位置pt和尺度st；步骤10，采用自适应的模型更新策略更新核相关滤波器。2.根据权利要求1所述的基于深度特征核相关滤波器的尺度自适应目标跟踪方法，其特征在于，步骤3和步骤7所述深度卷积特征的提取方法，具体如下：(3.1)预处理，将窗口区域I缩放到卷积神经网络规定的输入尺寸224×224；(3.2)特征提取，提取卷积神经网络第3、4和5个卷积层的特征图谱；(3.3)双线性插值，将提取的3层卷积特征上采样到同等尺寸大小。3.根据权利要求1所述的基于深度特征核相关滤波器的尺度自适应目标跟踪方法，其特征在于，步骤4所述计算核自相关和步骤8所述计算核互相关具体方法如下：(4.1)采用高斯核，公式如下：其中，k(x,x′)表示两个特征图谱x和x′计算的高斯核，exp(.)表示e指数函数，σ是高斯函数的标准差，σ取值为0.5，||.||2表示向量或矩阵的2范式；(4.2)计算核相关，公式如下：其中，kxx′表示特征图谱x和x′的核相关，exp(.)表示e指数函数，σ是高斯函数的标准差，σ取值为0.5，||.||2表示向量或矩阵的2范式，表示离散傅立叶变换的逆变换，*表示复共轭，^表示离散傅立叶变换，⊙表示两个矩阵对应元素相乘。4.根据权利要求1所述的基于深度特征核相关滤波器的尺度自适应目标跟踪方法，其特征在于，步骤5所述的训练位置和尺度相关滤波器，具体如下：根据步骤3所提取的深度卷积特征，对每层特征图谱分别训练1个核相关滤波器，采用如下公式训练模型：其中，表示根据第l层深度卷积特征图谱求得的相关滤波器模型，表示特征图...

【专利技术属性】
技术研发人员：刘忠耿，练智超，濮柯佳，李杨，张伟，李敏，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏,32